دفتر یادداشت دیجیتال برای هر چیز مفید!
با سلام
کافی است دستورات زیر را اجرا کنیم تا بسته‌های مورد نظر را نصب کنیم:
!pip install python-igraph
!sudo apt-get install libcairo2-dev
!pip install pycairo
!pip install cairocffi
پس از آن، می توان به سادگی گراف ها را ترسیم نمود:
import matplotlib.pyplot as plt
%matplotlib inline
import igraph
igraph.plot(H)
دستورات زیر را به ترتیب اجرا می کنیم و کار تمام است
sudo apt install cmake unzip pkg-config libjpeg-dev libpng-dev libtiff-dev libavcodec-dev libavformat-dev libswscale-dev libv4l-dev libxvidcore-dev libx264-dev libjpeg-dev libpng-dev libtiff-dev libavcodec-dev libavformat-dev libswscale-dev libv4l-dev libxvidcore-dev libx264-dev libgtk-3-dev libatlas-base-dev gfortran cmake gcc g++ git libjpeg-dev libpng-dev libtiff5-dev libavcodec-dev libavformat-dev libswscale-dev pkg-config libgtk2.0-dev libopenblas-dev libatlas-base-dev liblapack-dev libeigen3-dev libtheora-dev libvorbis-dev libxvidcore-dev libx264-dev sphinx-common libtbb-dev yasm libopencore-amrnb-dev libopencore-amrwb-dev libopenexr-dev libgstreamer-plugins-base1.0-dev libavcodec-dev libavutil-dev libavfilter-dev libavformat-dev libavresample-dev ffmpeg
mkdir opencv4
cd opencv4
wget -O opencv.zip https://github.com/opencv/opencv/archive/4.1.0.zip
wget -O opencv_contrib.zip https://github.com/opencv/opencv_contrib/archive/4.1.0.zip
unzip opencv.zip
unzip opencv_contrib.zip
mv opencv-4.1.0 opencv
mv opencv_contrib-4.1.0 opencv_contrib
cd opencv
mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=$(python -c "import sys; print(sys.prefix)")-D ENABLE_FAST_MATH=ON -D INSTALL_PYTHON_EXAMPLES=ON -D INSTALL_C_EXAMPLES=OFF -D OPENCV_ENABLE_NONFREE=ON -D OPENCV_EXTRA_MODULES_PATH=~/opencv4/opencv_contrib/modules -D CMAKE_INSTALL_PREFIX=$(python -c "import sys; print(sys.prefix)") -D PYTHON_EXECUTABLE=$(which python) -D PYTHON_INCLUDE_DIR=$(python -c "from distutils.sysconfig import get_python_inc; print(get_python_inc())") -D PYTHON_PACKAGES_PATH=$(python -c "from distutils.sysconfig import get_python_lib; print(get_python_lib())") -D BUILD_EXAMPLES=ON ..
make -j 20
sudo make install
sudo ldconfig
python
import cv2
در زمان ذخیره نتایج، معمولا اطلاعات را pickle می کنم. اما متاسفانه در حدود یک سال پیش فراموش کرده بودم از مد 'wb' استفاده کنم و فقط از 'w' استفاده کرده بودم! برای رفع مشکل، دستورات زیر به کمکم آمدند
with open('file.pickle', 'rb') as f:
# tests = pickle.load(input_file)
u = pickle._Unpickler(f)
u.encoding = 'latin1'
p = u.load()
from bidi.algorithm import get_display
import arabic_reshaper
def make_farsi_text(x):
reshaped_text = arabic_reshaper.reshape(x)
farsi_text = get_display(reshaped_text)
return farsi_text
def make_farsi_text(x):
reshaped_text = arabic_reshaper.reshape(x)
farsi_text = get_display(reshaped_text)
return farsi_text
font_title = {'family': 'B Farnaz',
'color': 'red',
'weight': 'normal',
'size': 30,
}
font_labels = {'family': 'B Nazanin',
'color': 'black',
'weight': 'normal',
'size': 20,
}
برداشته شده از: http://imuhammad.ir/2017/09/23/farsi-plots-python/
با استفاده از conda
conda install -c conda-forge geopy --yes -p /home/ali.shakiba/.conda/packages/
conda install -c conda-forge folium=0.5.0 --yes -p /home/ali.shakiba/.conda/packages/
با استفاده از pip
pip install --user package
مطالعه کتاب Learn Keras for Deep Neural Networks: A Fast-Track Approach to Modern Deep Learning with Python نوشته Jojo John Moolayil که توسط انتشارات APRESS در سال 2019 چاپ شده است را به دوستانی که مفاهیم شبکه های عصبی را می دانند؛ اما به دنبال پیاده سازی سریع آن ها هستند؛ توصیه می کنم. البته باید متذکر شد که نگارنده کتاب بخش های زیادی را حاشیه رفته که می توان آن ها را سریعتر مطالعه نمود. این نوشتار در حدود 180 صفحه است و مطالعه آن در یک بعد از ظهر گرم بهاری لذت بخش است! اما مراقب باشید بیش از این برای آن زمان نگذارید.
نکته قابل ذکر دیگر اینکه این کتاب به کاربردهای اساسی DeepLearning مانند CNN و RNN و GAN نمی پردازد و بیشتر می خواهد بگوید چگونه یک شبکه عصبی کلاسیک را پیاده سازی کنید.
for host in list_of_hosts:
user = 'admin'.encode('ascii')
password = ''.encode('ascii')
try:
END = b'\r\n'
tn = telnetlib.Telnet(host, port=23)
tn.read_until(b'Login: ')
tn.write(user + END)
tn.read_until(b'Password: ')
tn.write(password + END)
tn.read_until(b'>')
tn.write(b'password new-password="newPass" confirm-new-password="newPass" old-password="oldPass"' + END)
tn.write(b'/snmp community' + END)
tn.write(b'add name=comm_str addresses=741.852.963.147,123.456.789.123 read-access=yes write-access=no' + END)
tn.write(b'..' + END)
tn.write(b'set trap-community=comm_str' + END)
tn.write(b'set trap-version=2' + END)
tn.write(b'set enabled=yes' + END)
tn.write(b'..' + END)
tn.write(b'quit' + END)
tn.read_all()
print('Done for ' + host)
except:
print('Not exists ' + host)
ابتدا توزیع پایتون anaconda را نصب می کنیم (من از 3.7 64 بیتی استفاده می‌کنم)
wget https://repo.anaconda.com/archive/Anaconda3-5.3.0-Linux-x86_64.sh
sudo bash Anaconda3-5.3.0-Linux-x86_64.sh
conda create -n TFGPU anaconda python=3.5
conda activate TFGPU
conda install tensorflow-gpu
در این حالت، یک warning مبنی بر deprecate شدن یک متد از numpy در نسخه های آتی دریافت می‌کنیم که خیلی مساله مهمی نیست (برنامه نویسان tensorflow باید آن را رفع کنند!).
conda install tqdm
pip install graphviz
conda install opencv bcolz graphviz
conda install ipyparallel
conda install pandas
conda install keras jupyter notebook
conda install scikit-image ipyparallel
conda install scikit-learn seaborn
conda install torch dask jupyter tensorflow
اصول قالب‌بندی برنامه‌های پایتون -- PEP 8 -- Style Guide for Python Code